脑电图信号中的经验模态分解与粗粒度用于检测癫痫发作前和发作状态的方法

医学信息学解锁19（2020）100325经验模态分解与粗粒度用于检测癫痫发作前和发作状态的方法脑电图信号Inung Wijayantoa，b，Rudy Hartantoa，Hanung Adi Nugroho a，*a印度尼西亚日惹Gadjah Mada大学电气和信息工程系b印度尼西亚万隆Telkom大学电气工程学院A R T I C L EI N FO保留字：粗粒度（CG）程序脑电图（EEG）经验模态分解（EMD）分形维数发作发作前A B S T R A C T本研究评估了使用多尺度信号分析，以发现在脑电图（EEG）记录的发作和发作前的条件，以检测和预测癫痫发作。本研究分为三个加工阶段。第一种方法是利用经验模式分解（EMD）和粗粒度（CG）过程对EEG信号进行分解，以获得多尺度的信号信息。二是通过计算分解后信号的分形维数来提取特征。最后，k-NN，随机森林，和支持向量机（SVM）分类器被用来分类发作和发作前的条件。我们使用来自波恩大学的公共数据集来评估该系统。EMD与五个IMF、FD和SVM的组合用于癫痫发作检测（正常与发作）和三类问题（正常与发作前与发作）。癫痫发作检测的准确率为100%。对于三类问题，我们达到了99.7%的最高准确率，99.7%的灵敏度和特异性分别为99.9%。CG、FD和SVM的组合被提出来预测癫痫发作（正常与发作前），并实现了从99.3%到100%的最大分类准确度。这些结果表明，使用EMD与五个IMF是适合于检测癫痫发作，而CG是适合于预测癫痫发作的EEG信号。1. 介绍癫痫是一种脑部疾病，可能会影响身体和精神状况。据估计，全世界有超过5000万人患有癫痫[1，2]。癫痫的诊断是通过确保反复出现的无端癫痫发作条件[3，4]。神经科医生通常使用磁共振成像、计算机断层扫描（CT）和脑电图（EEG）来监测脑电波模式并确认癫痫发作的存在[5]。已使用EEG分析大脑状况，以通过P300信号[7]探索睡眠质量、情绪[6]、注意力和记忆操作，筛查抑郁症[8]、轻度认知障碍[9]、运动想象[10]、阿尔茨海默在诊断和监测癫痫发作方面，神经科医生专注于手动在EEG记录中发现发作和发作前状态。需要视觉标记和检查来分析脑波模式，这会导致人为错误，并且耗时且昂贵[13]。此外，诊断依赖于神经科医生的经验[14]。因此，这仍然是一个挑战，研究人员开发一个准确的计算机辅助诊断（CAD）系统，以帮助神经科医生诊断癫痫发作的条件。已经进行了大量文献综述，以表征EEG信号中的癫痫发作检测[15]。癫痫发作检测系统的一般过程是：（i）EEG信号预处理，（ii）EEG信号转换到另一个处理域，（iii）特征提取，和（iv）分类。需要对信号进行预处理以去除EEG中的噪声和伪影。在EEG中可以发现的伪影的一些示例是电力线噪声、眨眼以及眼睛和肌肉运动。这些伪影可以通过使用低通滤波器、主成分分析和小波方法来去除[16]。 EEG信号的特征可以直接在时域中获得，或者可以在其他处理域中观察到，例如频率、时频、小波、经验模式分解（EMD）和有理域[15]。将信号分解为不同尺度的新信号序列的几种多尺度技术是Hermite* 通讯作者。电子邮件地址：iwijayanto@telkomuniversity.ac.id（I. Wijayanto），rudy@ugm.ac.id（R. Hartanto），adinugroho@ugm.ac.id（H.A.Nugroho）。https://doi.org/10.1016/j.imu.2020.100325接收日期：2020年1月10日;接收日期：2020年3月12日;接受日期：2020年3月29日2020年4月14日网上发售2352-9148/©2020的 自行发表通过Elsevier 公司这是一个开放接入文章下的CCBY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）中找到。可在ScienceDirect上获得目录列表医学信息学期刊主页：http://www.elsevier.com/locate/imuI. Wijayanto等人医学信息学解锁19（2020）1003252变换，EMD，粗粒度（CG）程序和小波分析，包括离散小波变换（DWT）和小波包分解（DWT）[17，18]。在下一阶段中，然后处理变换后的信号以区分EEG特征。通常使用一阶、二阶和三阶统计测量来计算信号特征[19脑电信号具有高度的非线性和混沌特性。因此，需要适当的测量来有效计算EEG信号特征[23]。混沌和非线性特性的一些测量是Hurst指数，分形维数和最大Lyapunov指数[24，25]。在获得特征之后，它们被输入到合适的分类器。许多分类器被提出用于二进制和多类分类问题，这取决于EEG信号的类别多层感知器（MLP），支持向量机（SVM）[26]，随机森林（RF）[27]和局部二进制模式（LBP）[28]是检测癫痫发作的常用分类器。癫痫发作预测和检测的术语通常被许多作品互换使用，指的是同一种情况，即癫痫发作检测。由于术语的使用不一致，Binder 等人提出了癫痫发作预测和检测的概念术语[29]。他们指出，根据这一术语，为了检测癫痫发作，我们需要找到与正常情况相比的发作期。另一方面，我们需要确定与正常情况相比的发作前期以预测癫痫发作。上述工作是使用波恩大学医院的公共数据集进行评估的。大多数的研究集中在检测发作与正常或非发作状态的EEG信号相比。然而，他们中的一些人讨论了发作前状态与正常状态的检测，这是开发癫痫发作预测系统所需要的。此外，许多先前的研究将集合C和集合D视为相同的发作间期（发作前）状况。Sharma等人[30，31]是少数几个在其研究中包括发作前检测场景本研究的目的是评估使用多尺度信号分析的发展，一个自动检测系统的发作和发作前的条件下，适当的术语。癫痫发作检测和预测系统的开发使用波恩大学的EEG数据集进行评估。本研究使用四个主要过程，即：（i）信号预处理，（ii）两种不同的分解方法（EMD和CG），（iii）使用分形维数分析的特征提取，以及（iv）三种机器学习方法作为分类器（kNN，Random Forest和SVM）。为了测试所设计的系统，我们提出了新的方案，宾德等人所述的术语的基础上[29] 以适应癫痫发作预测系统。本文的其余部分组织如下。第二部分说明了本研究所使用的材料和方法。它解释了数据集，分解过程，特征提取和分类方法。第三部分给出了实验结果，讨论，并与以前的研究进行比较。最后一节是对本研究的总结。2. 材料和方法2.1. 实验装置本研究的目的是通过分析脑电信号的分形维数，建立一个发作和发作前状态的自动检测系统。我们在这项研究中使用了四个主要过程，如图所示。1.一、2.1.1. 波恩大学数据集EEG数据集由德国波恩大学的Andrzejak等人创建[32]。数据有五个条件，分别表示为集合A、集合B、集合C、集合D和集合E。每组包含100个单通道EEG片段，持续时间为23.6 s。A组和B组分别记录了5名健康受试者在睁眼和闭眼时的表面EEG。同时，C组和D组是癫痫患者在无癫痫间期的颅内EEG记录，并归类为发作间期（发作前）条件。虽然他们属于同一类，但他们彼此不同。对于C组，记录来自位于海马结构中的电极 组D的电极放置在致痫区。最后一组，E组，记录了5例癫痫发作或发作状态的癫痫患者。数据集的详细描述见参考文献。[32].2.1.2. EEG数据准备记录过程中使用的采样频率为173.61 Hz，分辨率为12位。采用截止频率为40 Hz的低通滤波器去除高频噪声。每组的EEG信号的示例如图所示。 二、基于Binder等人提出的定义。[29]，我们创建了三个主要场景来适应癫痫发作检测和预测过程。每个场景都有几个分类问题（CP）。第一种方案旨在测试癫痫发作检测过程，重点是对正常与发作状况进行分类。第二种方案是为癫痫发作预测过程设计的，其重点是检测正常与发作间期（发作前）条件。最后一种情况用于区分三种情况，即正常、发作间期（发作前）和发作。这些情景详见表1。2.2. 分解过程生物信号（如EEG）在多个空间和时间尺度上运行[33，34]。为了在检测和预测过程中获得高精度，我们需要在多个尺度上看到信号[34]。在这项研究中使用两个多尺度分析，以获得一个新的信号序列在不同的尺度。它们是经验模式分解（EMD）和粗粒度（CG）过程。Fig. 1. 检测EEG信号中的发作前和发作状态的一般过程。I. Wijayanto等人医学信息学解锁19（2020）1003253X（hð Þð Þ2ð ÞDðð ð Þ¼ð ÞÞð Þð Þ电子邮件：info@hzcn.comð Þð Þ ð ð Þ¼ð ÞÞð Þ图二. 波恩大学的时间序列EEG信号：(a)集合A-表1场景和分类问题。情景分类问题集对癫痫发作检测CP-1A集A与集ECP-1B B组与ECP-1C AB组与ECP-2A A组与C组的癫痫发作预测CP-2B A组与DCP-2C B组与CCP-2D B组与DCP-2 E AB组与CCP-2F AB组与DCP-2G AB组与CD组三类问题CP-3A集合A vs.集合C vs.集合ECP-3B A组与设置D与集合ECP-3C B组与设置C与集合ECP-3D B组与设置D与集合E2.2.1. 经验模态分解M（1）第一次见面m¼1这里，r（m，t）是信号的残差，并且m是从信号提取的IMF（m，t）的数量IMF是具有频率和幅度变化的振荡函数。因此，IMF有两个主要属性[35，45]：1. 在单个IMF的整个长度中，过零和极值的数量必须相等或至多相差1。2. 在任何数据位置，局部最大值和局部最小值之间的平均值必须为零。图3示出了EMD提取IMF的过程，其被指定为筛选过程。第一步是计算信号的上包络（emax）和下包络（emin）。下一个过程是计算局部平均值，如公式（2）所示。经验模态分解（Empirical mode decomposition，EMD）是由Huang等人提出的一种新方法。[35]分析非平稳信号。EMD是自适应的，最小值最大值（二）而与信号的线性和稳定条件无关。EMD通过消除信号的本地振荡将信号分解为许多本征模式函数（IMF）和残差[36]。EMD通常用于分析生物信号，例如肺音识别[37]，心电图[38]，癫痫发作类型检测[39]，癫痫发作检测[40]和伪影去除[41]。Pachori和Bajaj测量了分析IMF迹线的面积，作为区分癫痫信号与来自短期和长期EEG记录的正常EEG信号的特征[42，43]。此外，他们分析了分析IMF的幅度和频率调制，以分类EEG信号的癫痫发作和非癫痫发作状态[44]。经验模态分解的基本过程是将信号分解为 成多本征模函数（IMF）。EMD的线性组合如公式（1）[35]所示然后，通过计算dts t-mt来提取细节（d t）。 如果t与IMF的标准不匹配，则使用d t从第一个过程重 复该过程作为新的输入s tdt。否则，选择d t作为IMF。然后从原始信号r tr t hm t中去除该IMF。如果r t不是单调函数，则通过使用r t作为新的输入信号s tr t，从第一个开始重复这些过程。当r t变成a时单调函数[35]。尽管EMD被认为是一种可靠的方法来获得信号的IMF，但它有一些局限性。由于上、下包络由分布决定，信号极值的存在模式混合是IMF具有不同频率的多个固有时间尺度这种情况会导致两个相邻的I. Wijayanto等人医学信息学解锁19（2020）1003254ð ¼ Þ ð ¼ Þ ð ¼ Þ345¼limBð Þð Þ¼1þJτi¼ðj-1Þτþ1τ难以分辨[46，47]。然而，这项研究并不关注如何=að Þþ在图4中可视化，并且在等式（3）中数学地公式化。jτyτ1�P于我��（三）七个分形维数计算为每个尺度的CG。为了与EMD进行同等比较，本研究使用了3到5的三个量表在第一个特征提取过程中，我们计算第一，第二和第三尺度的分形维数，生成21个特征。在第二次和第三次特征提取过程中，我们分别计算了产生28和35个特征的4和5尺度的分形维数。第三个τ3，第四个τ4，第五个 τ5 鳞片计算 在等式（4）至等式（6）[34]中描述了等式（4）至等式（6）yi3½x3i-2x3i-1x3iyi4½x4i-3x4i-2x4i-1x4iyi5½x5i-4x5i-3x5i-2x5i-1x5i（四）（五）（六）2.3. 特征提取脑电信号具有非线性、非平稳、混沌等特点。 这可能会增加人工检测缉获活动的复杂性[23]。由于发作期和发作前期可以被认为是一种自相似模式，可以在不同的时间和尺度上重复出现，因此分形分析被认为是分析EEG信号的一种优秀工具[31]。因此，本研究利用分维分析来提取分解信号的特征2.3.1. 计盒分形维数分形维数分析的第一种方法是BOX计数法。根据充填曲线的特点，提出了生物计数法这条曲线上有许多正方形的区域或长方体或正方形覆盖着它们。测定填充曲线的BOX面积，并计数BOX的最小数量当BOX的大小接近零时，它可以覆盖所有的曲线区域[48]。该方法的表达式可以写成等式（7）。DlogNrr→0logn 1=rn（七）这里，Nr是覆盖所有曲线所需的具有r2.3.2. Katz分形维数直接从时间序列信号计算Katz分形维数（KFD）[49]。对于长度为N的曲线，KFD在等式（8）中定义。图3.第三章。 经验模态分解过程。�系我��D=a洛格恩河IMF具有相互影响的混叠条件，使它们¼log�dΣ¼logn�系方式中国（8）克服模式混合问题，而是系统能在获得合适的特征集，这可以导致高精度的检测系统。2.2.2. 粗粒度过程粗粒度（CG）过程可以从一维离散时间序列信号构造。级数fx1;n;xi;n;xng可以这里，L是时间序列数据的长度，而a是平均距离，n是曲线图中的步数[50]。2.3.3. Sevcik分形维数可以使用等式（9）来计算在曲线的L长度中使用Sevcik（SVD）的分形维数测量。被构造成连续的粗粒度时间序列y τ 关于τ作为比例因子。这个过程是通过划分原始系列完成的公司简介ln½2：10N-1个（九）一些长度为τ的非重叠窗口。此后，计算每个窗口的平均数据点。CG过程是这里，L被定义为单位正方形中曲线的总长度[51]。=LI. Wijayanto等人医学信息学解锁19（2020）1003255ð Þð 联系我们- -一种-Kð Þð Þð Þ ð ÞKΔt→0ð Þ ð Þ对数Δt另一方面，如果Δst小于0，则Δst等于1. 为10：4Δ见图4。 一维离散时间序列信号的粗粒度过程说明。2.3.4. 方差分维如等式（10）所示，通过使用赫斯特EX分量（H）来计算信号x t的方差分形维数（VFD）。212logfvarΔsg3彼得罗相C和D。Petrosian算法计算两个连续信号之间的差，数学上表示为等式（15）。ΔsðtÞ¼sðtþ1Þ-sðtÞ(15)H¼lim64Δt 七点五（十）对于彼得罗相C，如果Δst大于0，则Δst等于1。对这里，H表示信号的平滑度计算SΔs彼得罗相D如果Δstg大于标准Δdg，则-Δst等于1。如果Δst小于标准差，则Δst等于t2st1和Δtt2t1。VFD在数学计算公式（11）变频器1-H（11）到 1 .一、Petrosian分形维数用公式（16）表示原木PFD¼10（十六）这里，E是信号的欧几里德维数。2.3.5. Higuchi分形维数Higuchi分形维数（HFD）是常用的算法之一，用于测量生物医学信号中的分形维数[52]。让我们考虑在规则周期X1; X2; X3;：：;XN观察到的时间序列信号的有限集合：我们可以构造如等式（12）所示的新时间序列Xm。Xm¼Xm;Xmk;Xm2k;：;XmN- mk（12）log 10n登录log 10nnN这里，n是信号的长度，NΔ是二进制序列中符号的变化。2.4. 脑电信号分类分形维数测量的特征输入到两个分类器。第一个是k-NN，第二个是SVM。这两个分类器KK这里，m和k分别是初始时间和间隔时间的通常用于癫痫发作检测过程。2.4.1. k-NN曲线的长度Xm在等式（13）中定义。20N-km13k-NN是一种不依赖先验概率的分类方法babilities.它以其通过查看k值（即所考虑的邻居Lmk1=k6BXjXmk-Xmki-1 kjCN-17（十三）[54].该算法计算训练和64B@1/1CAN-kmk75测试数据集。 k-NN中常用的距离函数是欧几里得距离，其通过使用等式（17）计算。可以通过使用等式（14）来计算Lmk的平均值。DKvutffiXffiffiffijffifififiaffiffiffiffiffiffibffiffiiiffifi2ffi（十七）L（14）a;b1/4ði-iÞm¼1在对数L_（max）与对数K_（max）之间的斜率中获得了分形维数ln 1 =k。当Lk = k-D满足时，得到的曲线是维数为D的分形曲线.2.3.6. Petrosian C和D分形维数Petrosian算法通过将信号转换为二进制序列来计算信号的分形维数。彼得罗相有四种类型，即彼得罗相A，B，C和D [53]。本研究利用I. Wijayanto等人医学信息学解锁19（2020）1003256根据以下步骤进行k-NN计算：（i）计算训练数据的距离;（ii）识别最近邻居;（iii）用相同的标签标记未知最近邻居欧几里德距离计算确定最近邻列表，而类标签多数在k-最近邻中投票。通过使用等式（18）计算权重因子来进行投票。18岁以下儿童（18）I. Wijayanto等人医学信息学解锁19（2020）1003257中文（简体）ðÞ2必须尽可能最佳地确定k值。它不能太小或太大。较小的k值使系统对噪声敏感，而较高的k值可能会干扰其他类别的值。本研究使用具有5倍交叉验证的k1/K. xi;xj�P于我��¼2.4.2. 随机森林随机森林分类器由Breiman [55]引入，作为多个决策树的聚合。每棵树被视为一个单独的分类器，输出由所有决策树投票该过程如图所示。 五、具有T个树的随机森林分类器具有可以总结如下的生长规则。第一种方法是对训练集中的N个案例，在每个过程中从训练集中随机选取N个样本进行替换，得到N个训练样本。应当理解，并非来自训练集的所有数据都将被使用。数据可以使用一次、两次或多次，有些数据可能永远不会使用。第二个规则是对于输入特征的M维，以及随机选择的子特征的m维，从M个特征中随机选择m个特征变量，并通过使用这些m维特征上的最佳分裂来分裂节点。<最后一条规则是让每棵树生长，直到训练集中的所有样本都被分离出来而不被修剪[55，56]。森林的错误率基于两个方面。第一个是两棵树之间的关系。较高的相关性给出较高的错误率，并且相反地，较低的相关性给出较低的错误率。第二是森林中每棵树的力量。更高的强度导致更低的错误率[55]。2.4.3. 支持向量机SVM中的类分离概念是通过使用一个称为超平面的假想平面来这种技术是一种复杂的3. 结果和讨论3.1. 性能评价标准有两种机器学习方法用于对EEG信号进行分类。为了量化每种方法的性能，使用5倍交叉验证（CV）。5倍CV将数据随机分为5个大小相同的不同数据集。然后，该过程使用四个集合作为训练集，而剩余的一个集合作为测试集。这个过程重复五次，直到每组用作测试组一次。计算每次迭代的单个精度。准确度、灵敏度和特异性用作量化系统性能的测量。3.2. 实验结果通过计算平均准确度来衡量每个CP在三种场景中的性能。 结果总结见表2-表2癫痫发作检测的总体准确性（%）（正常与发作）。正常与发作分类器它已被广泛应用于许多领域[56]，并解决了与小样本量，非线性关系，腐烂方法天平分类CP-1A（%）CP-1B（%）CP-1C（%）一个以上的分类[57]。该算法的输出是一个假设新例子的最优超平面[58]。本研究使用5折交叉验证来指定训练和测试数据集。SVM本身的判别函数可以使用等式（19）来计算。��这里，yi2- 1;y i 1是SVM所做的数据类别的标识符CG 3鳞片4鳞片5k-NN 99.5 99.5 99.7RF 99 99.5 99支持向量机99.5 99.5 99.7k-NN 99.5 99.5100RF 99 99.5 99支持向量机99.510099.7这类问题可以转化为对偶问题，目标函数可以通过使用拉格朗日乘子进行优化，如图所示。k-NN 99.5 99.5 99.7鳞片RF 99 99.5 99等式（20）[59].L lEMD 3 IMF支持向量机99.5 99.5 99.7k-NN 99.5 98.5 99.3RF 98.5 98 98.6最小Q值为1 Xa i a j y i y j K。x i; x j-Xa i（20）i;j1/1支持向量机100 100 1004IMF k-NN 99.5 99.5 99.3这里，ai是每个值对应的拉格朗日乘子。而K∈xi;xj∈是所选择的核函数，其在等式（21）中描述。RF 99 98.5 98.6支持向量机99.5 99.5 99.35IMF k-NN 99.5 99 99RF 99 98.5 99支持向量机100 100 100图五. 随机森林分类器的插图。I. Wijayanto等人医学信息学解锁19（2020）1003258表3癫痫发作预测的总体准确性（%）（正常vs.发作间期/发作前）。正常vs.发作间期（发作前）腐烂方法量表分类CP-2A（%）CP-2B（%）CP-2C（%）CP-2D（%）CP-2E（%）CP-2F（%）CP-2G（%）CG 3尺度k-NN9810099.510099.310099RF98.598.598.599.59898.698.2SVM9910099.510099.310099.54尺度k-NN98991001009999.099RF97.598.5999997.39797.2SVM98.599.599.599.599.310099.35尺度k-NN99991001009999.398.8RF9898.598.5999898.397SVM10010099.599.599.799.799.3EMD 3 IMF k-NN9397.59797.597.398.396.3RF9597.598.59895.696.695.7SVM9898.598.59997.79998.84 IMF k-NN97.59898.598.597.397.796.8RF98989898.598.69897.2SVM999999.599999998.55 IMF k-NN97.598.59897.5989797RF98.598999998.69897.7SVM9910099.599.599.399.799.5表4三级问题的总体准确率（%）。三类问题结果见表3。从表中可以看出，CG比EMD具有更好的性能。这一点从CG的准确性可以看出，在各个CP中CG的准确性都高于EMD此外，分形维数的计算腐烂方法天平分类CP-3A（%）CP-3B（%）CP-3C（%）CP-3D（%）在三个CG尺度中，CP-2B、CP-2D和CP-2F的准确度为100%。然而，由其他尺度获得的精度没有CG 3鳞片4K-NN 98.3 9799.398RF 97.7 97 98.3 97.3SVM 99 98.7 98.3 99显著差异。准确度结果的变化很小，范围为0.3%至1%。3.2.3. 系统性能的三个类的问题（正常与发作间期K-NN 98.7 97.799.397.7鳞片RF 97.7 97 9897.3支持向量机98.7 98.7 9998.7vs. 发作）第三种方案是为了满足癫痫检测系统对脑电信号的需求而进行的。系统必须能够5鳞片EMD 3imf分量4imf分量5imf分量K-NN99.39899.398.3RF 97.3 97 98 97SVM 98.7 98.3 99 98.3K-NN 95.3 96.3 97RF 94.7 95.3 97.3 95.7SVM 98.3 97.3 98 97K-NN 95.3 95.7 97.3 96.7RF 97.7 96.7 98 95.3支持向量机99.3 98.7 99 98K-NN 99 99 98.7 99RF 98.3 96.7 98 95.7支持向量机99.3 99.7 99.3 99.7发现癫痫信号的不同状态，即正常、发作间期（发作前）和发作状态。在这种情况下，我们对EEG信号的这癫痫EEG信号分类的准确性如表4所示。从表中可以看出，EMD具有比CG。从分类器的角度来看，SVM的使用优于k-NN。与表1所示的情况相同，通过EMD作为分解方法、FD作为特征提取和SVM作为分类器的组合获得最高精度。4. 讨论在本节中，我们将讨论两个主要问题：确定EMD产生的IMF的最佳数量和合适的CG4.1.1. 癫痫发作检测的系统性能（正常与发作）癫痫发作检测系统的开发，以确定发作期的EEG信号。在这项研究中，检测从正常条件下发作的情况进行了测试。癫痫发作检测过程的总体结果见表2。在三个尺度上有两种不同的分解方法，使用两种不同的分类器。在五个IMF中进行了七个分形维数的计算。以EMD为分解方法，FD为特征提取器，SVM为分类器的组合方法获得了最高的精度。4.1.2. 癫痫发作预测的系统性能（正常与发作间期/发作前）所开发的癫痫发作预测系统旨在确定EEG中的发作间期（发作前）。在这项研究中，我们分类发作间期（发作前）与正常条件。结果表明，使用CG提供了更好的精度相比，EMD。的详细用于检测发作和发作间期状态的量表。从上述结果可以看出，EMD适合于检测癫痫发作和解决三级问题。但IMF个数的确定还需进一步分析。EMD为每个集合产生8到15个IMF。集合A、B和C产生9到12个IMF，集合D产生10到15个IMF，而集合E产生8到14个IMF。这种差异导致了一个问题，即，该频率通常由每组的IMF占用。例如，集合D的第一IMF的频率范围不等于集合B的第一IMF。为了找到每个集合的最佳分解水平，Shahbakhti等人。[60，61]提出分解过程的结束可以通过找到每个IMF的熵的最小值来确定。在这项研究中，我们计算每个集合中所有IMF的熵。图图6-8示出了由EMD为每个类别产生的平均IMF熵。 图 6显示集合A和集合B的熵图。可以看出，熵在第三次开始上升，分别用于集合A和集合B的第二IMF。这意味着分解过程可以在集合A的第三IMF处停止，I. Wijayanto等人医学信息学解锁19（2020）1003259图六、前八个 IMF的集合A和集合B的 平 均 熵 图 。图7.第一次会议。前八 个 IM F 的集合C和集合D的 平 均 熵 图 。见图8。 集合E的八个第一IMF的平均熵图。I. Wijayanto等人医学信息学解锁19（2020）10032510SVM第二个IMF用于集合B。如图7所示，对于集合C，熵从顶F 1处的2.07显著降低到顶F 5处的1.26从IMF 5开始，它增加到表6癫痫发作检测对比表（正常与发作）。作者Signal Processing Classes Acc Sens Spe1.67 IMF 8在D组中可以找到类似的模式。根据Shahbakhti et al.[60，61]，第五IMF被认为是最小的Samiee等人[62]MT Rational DSTFTMLPA-E 99.8 99.9 99.6分解过程的一个步骤如图8所示，第三IMF具有最小值与其他IMF相比。因此，我们可以确定分解的最小步长是在第三IMF中。Tawfik等人[63]第六十三话熵权排序LinSVM加权置换熵权排序非线性A-E 99.5A-E 99我们得到一个不同数量的分解步骤为每个集合。 正常类（集合A和集合B）的分解过程可以在第二和第三IMF处停止。在发作间期（发作前）类（集合C和集合D）中，分解过程在第五IMF处停止。此外，分解过程在发作类的第三IMF处停止（集合E）。为了容纳最高的发作间期（发作前）哈桑等人[64]Sharma等人[30]Murslain等人[65]BhattacharyyaSVM描述符，Hurst EX组件，可扩展ICFS，可扩展 RF类，我们使用第五IMF作为分解过程的最小数目。EMD和CG之间的区别在于每个分解过程的信号长度不同。EMD产生相同的信号可调Q小波等人[66]第66话最后一句话Bajaj et al.[67] SPWVD公司，MSR，A-E 100 100 100A-E 99.5 99.01 100长度为每个IMF，而CG减少每个规模的样本长度CG通过将信号分成几个尺度来处理信号。一般来说，CG不会改变信号的形状，但它会将信号的长度减小为N=τ，其中N是数据的长度，τ是尺度。τ的值越高，信号的方差越低本研究采用统计分析来证明所使用的功能，Li等人[21日]Li et al. [68]Jaiswal et al.[69]第六十九届CON，面积最小二乘支持向量机CWT矩阵 GLCM，GMM矩阵ReliefF-RFE-SVMMRBF-MPSO-PSD-PCA- RBF-SVMSpPCA SVM和SubXPCASVMA-E 100 100 100A-E 100 100 100A-E 100 100 100本研究采用单因素方差分析。在每个分解级别中计算来自五个集合的特征的p值。它显示了状态-Siuly等人[17]第十七话熵，直方图，阿-阿99.5 100 99.09五个类别的特征之间的统计差异表5显示提出统计最小二乘支持向量机A-E 99.5 99 100每个分解级别中的p值的结果方法CG 3量表从表5中可以看出，所有特征在统计上都是一致的。Sharma等人5 IMFs-差异（p 0.001）。< 此外，较高的IMF具有较低的p值[30]ATFFWT分形AB-E 100 100 100与较低的IMF相比。另一方面，与较低的CG相比，较高的CG尺度具有较低的p值这表明，获得的Jaiswal等人[69]维数最小二乘支持向量机SpPCA最小二乘支持向量机和SubXPCA最小二乘支持向量机AB-E 99.6 99 100特征具有足够的分类能力以被准确地分类这一结果证实了使用第五IMF和CG的准确性结果Siuly等人[17]第十七话熵，直方图，AB-E 98.67 98.18 99.09尺度3作为分解过程的最佳尺度我们比较了我们提出的方法与其他一些分析相同的数据集。我们将比较分为三类。第一该方法Samiee等人统计最小二乘支持向量机SVM是癫痫发作检测，它比较了A组与集合E、集合B与集合E，[62]第62话B-E 99.3 99.6 99.0和AB组与集合E，如表6所示。第二种是癫痫发作前-Sharma等人MLP措辞，它比较了AB集与设置CD，见表7。最后一[30]第三十话B-E 100 100 100Murslain等人维数最小二乘支持向量机是比较正常类别的三个类别的分类（集合A和集合B）与发作间期类别（集合C和集合D）与发作类别（集合E），如离散小波变换统计量，Hjorth描述子，HurstB-E 98 98 98如表8所示。BhattacharyyaEX componentEQUIPMENTEQUIPMENT表6显示，我们提出的方法与癫痫发作检测系统中的最新研究结果相当[21，30，68]。对于癫痫发作预测系统，最后两项研究[30，31]使用AB组与CD组进行CP。然而，这些先前的研究使用集合A和集合B作为一个类，这是正常类。但事实上，这两个类不同的条件下，其中A组是睁开眼睛的正常情况，B组是可调Q小波等人 [66]第66话最后一句话Jaiswal等人[69]Siuly等人[17个]B-E 100 100 100闭着眼睛正常。通过先前的方法对集合C和集合D进行相同的方法。因此，在这项研究中，我们增加了六个CP，以表明所提出的方法可以区分正常和发作间期（发作前）类。比较结果见表7。此外，表8表明，我们提出的方法优于其他方法。表5每个分解级别中使用的特征的p值分解级别p值分解级别p值IMF 12.14911E-30CG 36.8355E-22IMF 25.73948E-32CG 45.9985E-21IMF 32.94788E-35CG 53.9662E-20IMF 45.59068E-37IMF 51.00073E-38[第六CG 3比例尺AB-E99.799.51005 IMFs FD SVMAB-E100100100SpPCA、 SVM和B-E99.599100SubXPCA支持向量机Hermite变换9999.0999.09完整集合A-E100100100EMD自适应噪声抑制LPBoostATFFWT分形A-E100100100维数最小二乘支持向量机DWT统计，Hjorth A-E100100100I. Wijayanto等人医学信息学解锁19（2020）10032511熵，直方图，统计最小二乘支持向量机该方法CG 3比例尺SVMB-E99.5991005 IMFs FD SVMB-E100100100解决三类问题分类的最新方法4.1. 局限性和今后的工作虽然所提出的方法取得了令人满意的性能，但在癫痫发作检测和预测过程中存在局限性。首先，在这项研究中提出的方法进行单通道和短期EEG记录。将使用多通道和长期EEG记录（如CHB-MIT）进一步评估方法的稳健性。建议的另一个限制I. Wijayanto等人医学信息学解锁19（2020）10032510CG 3比例尺表7预测比较表（正常与发作间期/发作前）。作者信号处理类ACCSensSPESharma等人ATFFWT分形AB-CD92.590.594.5[30]第30话Sharma等人公司简介98.5–-[31]第三十一话拟定的CG 3量表99.599.5100方法a-D100100100AB-C99.399100a-C9999100AB-D100100100B-C99.599100B-D1001001005 IMF AB-CD99.599.599.5a-D100100100AB-C99.310099a-C999999AB-D99.710099B-C99.5100100B-D99.510099表8三类问题的比较表。作者Signal ProcessingClassesAccSensSpeMartis et al. [70]经验模态分解熵熵C4.5A-C-E95.39897与发作条件的检测相结合。所提出的方法成功地实现了良好的分类结果，它可以进一步评估使用长期的EEG信号记录。此外，在发作前状况的检测中实现的高精度结果可以为开发实时发作预测设备提供机会，该设备可以在发作发生之前向癫痫患者发出通知。伦理声明本文不包含任何作者对人类参与者和/或动物进行的竞合利益我们希望确认不存在已知的利益冲突确认本研究由Gadjah Mada大学研究理事会通过研究补助金“ProgramRekognisi Tugas Akhir”No.3373/UN 1/DITLIT/DIT-LIT/LT/2019和印度尼西亚共和国研究、技术和高等教育部高等教育总局通过研究补助金“Pene-2019”资助拟定方法CG 3量表SVMA-C-E 99 99 99.5litian Disertasi DoktorDITLIT/DIT-LIT/LT/2019。 的 作者 将 像 到 感谢Telkom5国际货币基金组织基金组织基金Tawfik等人[63]第六十三话熵权排序线性支持向量机加权排列熵权排序非线性支持向量机Hassan等人[64]第六十四话自适应EMDA-D-E 97.2A-D-E 97.5A-D-E 99 99.2 99.5Gadjah Mada大学以及Gadjah Mada大学电气与信息工程系智能系统研究小组，以激发讨论和动力。作者感谢匿名审稿人对本研究提出的富有洞察力和建设性的意见Li等人[第七十一章]穆罕默德普里噪声抑制LPBoost基于小波的非线性分析A